論文の概要: Deep symbolic regression for physics guided by units constraints: toward the automated discovery of physical laws

• arxiv url: http://arxiv.org/abs/2303.03192v1
• Date: Mon, 6 Mar 2023 16:47:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 15:39:35.255990
• Title: Deep symbolic regression for physics guided by units constraints: toward the automated discovery of physical laws
• Title（参考訳）: 単位制約に導かれる物理学の深い記号的回帰--物理法則の自動発見に向けて
• Authors: Wassim Tenachi, Rodrigo Ibata and Foivos I. Diakogiannis
• Abstract要約: シンボリック回帰(英: Symbolic Regression)は、データに適合する解析式を自動検索するアルゴリズムの研究である。 解析記号表現を物理データから復元するフレームワークである$Phi$-SOを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Symbolic Regression is the study of algorithms that automate the search for analytic expressions that fit data. While recent advances in deep learning have generated renewed interest in such approaches, efforts have not been focused on physics, where we have important additional constraints due to the units associated with our data. Here we present $\Phi$-SO, a Physical Symbolic Optimization framework for recovering analytical symbolic expressions from physics data using deep reinforcement learning techniques by learning units constraints. Our system is built, from the ground up, to propose solutions where the physical units are consistent by construction. This is useful not only in eliminating physically impossible solutions, but because it restricts enormously the freedom of the equation generator, thus vastly improving performance. The algorithm can be used to fit noiseless data, which can be useful for instance when attempting to derive an analytical property of a physical model, and it can also be used to obtain analytical approximations to noisy data. We showcase our machinery on a panel of examples from astrophysics.
• Abstract（参考訳）: シンボリック回帰(英: Symbolic Regression)は、データに適合する解析式を自動検索するアルゴリズムの研究である。 ディープラーニングの最近の進歩は、このようなアプローチに対する新たな関心を生んでいるが、私たちのデータに関連する単位のために重要な制約がある物理学には、取り組みは注がれていない。 本稿では,深層強化学習手法を用いて物理データから解析的記号表現を復元する物理記号最適化フレームワークである$\phi$-soを提案する。 我々のシステムは、建設によって物理ユニットが一貫したソリューションを提案するために、ゼロから構築されている。 これは物理的に不可能な解を除去するだけでなく、方程式生成器の自由を著しく制限し、性能を大幅に改善する。 このアルゴリズムはノイズのないデータに適合させることができ、例えば物理モデルの解析的性質を導出しようとするときに有用であり、ノイズデータに対する解析的近似を得るのにも使うことができる。 我々の機械は天体物理学の例のパネルで紹介する。

関連論文リスト

• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  ビデオからの自動パラメータ推定の最先端は、大規模データセット上で教師付きディープネットワークをトレーニングすることによって解決される。 単一ビデオから, 既知, 連続制御方程式の物理パラメータを推定する手法を提案する。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Discovering symbolic expressions with parallelized tree search [59.92040079807524]
  記号回帰は、データから簡潔で解釈可能な数学的表現を発見する能力のおかげで、科学研究において重要な役割を果たす。 既存のアルゴリズムは、複雑性の問題に対処する際の精度と効率の重要なボトルネックに直面してきた。 本稿では,限定データから汎用数学的表現を効率的に抽出する並列木探索(PTS)モデルを提案する。
  論文  参考訳（メタデータ） (2024-07-05T10:41:15Z)
• On the Dynamics Under the Unhinged Loss and Beyond [104.49565602940699]
  我々は、閉形式力学を解析するための数学的機会を提供する、簡潔な損失関数であるアンヒンジド・ロスを導入する。 アンヒンジされた損失は、時間変化学習率や特徴正規化など、より実践的なテクニックを検討することができる。
  論文  参考訳（メタデータ） (2023-12-13T02:11:07Z)
• Physical Symbolic Optimization [0.0]
  本稿では, 次元解析の規則に従うために, 方程式の自動逐次生成を制約する枠組みを提案する。 我々のシンボリック回帰アルゴリズムは、変数と定数が既知の物理単位を持つ文脈において、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2023-12-06T16:56:28Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• Using machine learning to find exact analytic solutions to analytically posed physics problems [0.0]
  理論物理学における解析問題に対する機械学習の利用について検討する。 特に、記号回帰(SR)は、全体形が事前に分かっていない関数を用いてデータを適合させるツールとして、近年急速に進歩している。 我々は、最先端のSRパッケージを使用して、正確な解を見つける方法を実証し、未解決の物理学問題を解こうとする。
  論文  参考訳（メタデータ） (2023-06-05T01:31:03Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Learning the nonlinear dynamics of soft mechanical metamaterials with graph networks [3.609538870261841]
  ソフトメカニカルメタマテリアルの力学を研究する機械学習手法を提案する。 提案手法は直接数値シミュレーションと比較して計算コストを大幅に削減することができる。
  論文  参考訳（メタデータ） (2022-02-24T00:20:28Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Machine Learning to Tackle the Challenges of Transient and Soft Errors in Complex Circuits [0.16311150636417257]
  機械学習モデルは、回路インスタンスの完全なリストに対して、インスタンスごとの正確な関数デレートデータを予測するために使用される。 提案手法を実例に適用し,各種機械学習モデルの評価と比較を行った。
  論文  参考訳（メタデータ） (2020-02-18T18:38:54Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。